Contribution of Non-Intrusive Load Monitoring to Home Energy Management Systems - Physique et Ingénierie Mathématique pour l'Énergie et l'environnemeNt et le bâtimenT Access content directly
Theses Year : 2023

Contribution of Non-Intrusive Load Monitoring to Home Energy Management Systems

Les apports de la désagrégation non-intrusive à la gestion de l'énergie dans le secteur résidentiel

Abstract

The current energy crisis has revealed deep vulnerabilities in energy supplies. It also emphasised the strong fossil fuel dependency of many countries. Some governments decided to tighten their energy policies, particularly on energy efficiency and the use of intermittent and renewable energies. Photovoltaic energy has the advantage of emitting few greenhouse gases in its lifetime operation but has the drawback of being intermittent and variable. Energy storage can mitigate the variability and intermittency of solar energy. However, energy storage's substantial environmental and financial costs may refrain from investing massively. A second way to face renewable drawbacks involves more intelligent demand management. Developing a Home Energy Management System (HEMS) for residential areas has been a growing research trend but has not been widely applied due to technical, social and financial barriers. It is expected to monitor appliances individually in residential areas to understand the user's behaviours accurately to determine the preferred hour of use of each appliance, the duration, or the energy demanded. However, Appliance Load Monitoring (ALM) is challenging due to the high complexity and cost of the sensor network involved. Non-Intrusive Load Monitoring (NILM) is the process of disaggregating the main load into individual appliance loads. NILM aims to mitigate the cost of sensor installation and maintenance by installing a unique sensor on the main load and retrieving the individual load appliances computationally. Recently, deep learning models have been up-and-coming for NILM tasks. The main meter sampling rate is crucial for the trade-off between disaggregation accuracy and cost efficiency. High-frequency data will carry more detailed signatures but with a costly sensor. In this work, we assess the generalisation capabilities of low-frequency NILM and identify the settings having the most significant impact on performances. This work demonstrates the importance of diversity in the training dataset to unlock generalisability. At the same time, the literature underlines data scarcity in the domain, mainly due to the complex task of recording reliable supervised data in real conditions. The present work provides a new data augmentation technique to address this issue by enriching the training set. The technique is thoroughly experimented with to prove its efficiency in improving generalisability. The data augmentation add-on module is implemented inside the NILMTK framework, a famous toolkit to evaluate NILM solutions. This manuscript brought particular care to a practical NILM application. The idea is to assess the contribution of a low-frequency NILM to a HEMS by conducting simulations. The case study applies a load scheduling HEMS to real houses from public databases. The schedules given by the HEMS with NILM are more acceptable for the end-user. The first original contribution of this work original relies on developing a new and straightforward data augmentation technique published in the SEGAN (Sustainable Energy, Grids and Network) journal. Secondly, the thesis gives an original approach to quantitatively evaluating NILM's contribution to HEMS.
La crise énergétique actuelle a mis en lumière de profondes vulnérabilités en matière d'approvisionnement énergétique. Cette crise contribue à renforcer et même à exacerber la dépendance de beaucoup de pays aux énergies fossiles. Nombreux gouvernements ont choisi d'affermir leurs politiques énergétiques, particulièrement en accélérant les progrès sur la sobriété énergétique et l'usage des énergies intermittentes (photovoltaïques et éoliennes). L'énergie photovoltaïque a cet avantage de n'émettre que peu de gaz à effet de serre lors de son fonctionnement mais a ses défauts majeurs d'être intermittent et variable. Le stockage énergétique peut pallier la variabilité et l'intermittence de l'énergie solaire, cependant les technologies de stockage les plus performantes s'accompagnent de problématiques liées au coût financier et au recyclage, freinant ainsi leur popularisation. L'utilisation de Systèmes de Management de l'Énergie pour le Résidentiel (SMER) peut répondre aux obstacles de l'énergie solaire en proposant une manière plus intelligente de consommer l'énergie. Développer des SMER est un sujet de recherche très étudié mais leur application au quotidien reste très sporadique. De manière très pratique, les SMER s'appuient souvent sur un réseau de capteurs de mesures permettant d'obtenir des mesures individuelles d'appareil, afin d'identifier les comportements de consommation ; les durées, les préférences horaires ou aussi l'énergie consommée. Cependant, on peut s'interroger sur la complexité d'installation de réseaux de capteurs, la gestion des données, ou aussi sur le coût financier potentiellement important. La désagrégation non-intrusive (ou NILM en anglais) est le procédé qui consiste à séparer une mesure générale en signaux d'appareils à l'aide d'algorithmes. Le but premier du NILM est de réduire les coûts associés à l'installation et à la maintenance du réseau de capteurs car le NILM n'a besoin que d'un seul point de mesure placé sur le général. En matière de NILM, les méthodes utilisant des modèles d'apprentissage profond sont les plus prometteurs, en raison de leurs très bonnes performances. Dans ce travail, nous expérimentons ce type de modèle, et nous constatons l'importance de la diversité des données dans les bases d'apprentissage pour permettre la généralisation du NILM. Parallèlement, la littérature scientifique souligne le manque de données d'apprentissage publiées et fiables pour avoir une solution de NILM généralisée, c'est-à-dire qui marche pour n'importe quelle maison, pour n'importe quelle saison etc… Ce travail propose une nouvelle méthode d'augmentation de données dans le but d'enrichir les bases d'entraînement, et de se rapprocher de cet objectif de généralisation. La méthode est rigoureusement expérimentée et son apport sur la performance des modèles est démontré. La nouvelle technique d'augmentation de données a été ajoutée à l'outil NILMTK, un célèbre outil « open source » dédié à l'évaluation et la comparaison de méthodes de NILM. Le manuscrit accorde une importance particulière à l'application de ces modèles de NILM car il propose d'évaluer quantitativement l'apport du NILM à un SMER. Le cas d'étude consiste à appliquer une planification de charge à des maisons réelles, tirées de données publiques. On se propose d'intégrer un modèle de NILM dans un SMER. Les planifications produites par le SMER avec un NILM intégré se montrent plus adaptées aux usages habituels de chaque foyer, par conséquent l'ajout de cette méthode permettrait une meilleure acceptabilité des SMER. Ce travail apporte deux contributions originales majeures, premièrement le développement d'une méthode d'augmentation de données pour améliorer les modèles de NILM. La technique a été publiée dans le journal SEGAN (Sustainable Energy, Grids and Network). En deuxième lieu, la thèse propose une approche originale pour évaluer quantitativement la contribution du NILM aux SMER.
Fichier principal
Vignette du fichier
121245_FRANCOU_2023_Depot_2.pdf (6.34 Mo) Télécharger le fichier
Origin : Version validated by the jury (STAR)

Dates and versions

tel-04415995 , version 1 (25-01-2024)

Identifiers

  • HAL Id : tel-04415995 , version 1

Cite

Yvon Francou. Contribution of Non-Intrusive Load Monitoring to Home Energy Management Systems. Electric power. Université de la Réunion, 2023. English. ⟨NNT : 2023LARE0023⟩. ⟨tel-04415995⟩
31 View
5 Download

Share

Gmail Facebook X LinkedIn More